Εισαγωγή στην R Πρόχειρες Σηµειώσεις. Κωνσταντίνος Φωκιανός & Χαράλαµπος Χαραλάµπους Τµήµα Μαθηµατικών & Στατιστικής Πανεπιστήµιο Κύπρου

Transcript

1 Εισαγωγή στην R Πρόχειρες Σηµειώσεις Κωνσταντίνος Φωκιανός & Χαράλαµπος Χαραλάµπους Τµήµα Μαθηµατικών & Στατιστικής Πανεπιστήµιο Κύπρου η Εκδοση : Φεβρουάριος η Εκδοση : Ιανουάριος 200

2 2

3 Περιεχόµενα Ι Στατιστικές Μέθοδοι στην R Ι Εισαγωγή στην R 3. Μία Εισαγωγική Περίοδος Βασικές έννοιες Αντικείµενα εδοµένων 2 2. ιανύσµατα Πίνακες Πίνακες µεγαλύτερης διάστασης (Arrays) Λίστες Παράγοντες Πλαίσια εδοµένων (Data Frames) Μαθηµατικοί Υπολογισµοί στην R Αριθµητικές πράξεις και απλές συναρτήσεις Πράξεις ιανυσµάτων και Πινάκων Γραµµικό Σύστηµα Εξισώσεων Τυχαίοι Αριθµοί Άλλες Χρήσιµες Συναρτήσεις Γραφήµατα Απλά Γραφήµατα Γραφικές υνατότητες Είδη και Γραµµές Γραφικής Παράστασης Προσθήκη Πληροφοριών σε Γράφηµα Γραφήµατα Σε Μεγαλύτερες ιαστάσεις

4 5 Απλός Προγραµµατισµός στην R Λογικοί Τελεστές και Τελεστές Σύγκρισης Χρησιµοποιώντας Υποσύνολα των εδοµένων Κατασκευή Συναρτήσεων Προσοµοίωση Ο Ασθενής Νόµος των Μεγάλων Αριθµών Κεντρικό Οριακό Θεώρηµα Προσεγγίσεις της ιωνυµικής Κατανοµής Monte Carlo Ολοκλήρωση Βελόνα του Buffon Εµπειρική Σύγκριση Εκτιµητριών Στατιστική Συµπερασµατολογία Περιγραφική Στατιστική Συµπερασµατολογία για Ενα είγµα Συµερασµατολογία για υο είγµατα Συµπερασµατολογία για είγµατα Κατά Ζεύγη Ελεγχος Καλής Προσαρµογής Ελεγχος Υποθέσεων για Ποσοστά Πίνακες Συνάφειας Παράδειγµα Γραµµική Παλινδρόµηση Γραµµικά Μοντέλα στην R Πολλαπλή Γραµµική Παλινδρόµηση Ανάλυση της ιακύµανσης Ανάλυση ιακύµανσης κατά ένα Παράγοντα Πολλαπλές Συγκρίσεις Λογιστική Παλινδρόµηση 35 0.Περιγραφή των εδοµένων Λογιστική Παλινδρόµηση Ανάλυση στην R Μοντέλο Probit

5 Τεχνικές Αναδειγµατοληψίας 47.Μέθοδος Jackknife Μέθοδος Bootstrap Εκτίµηση Συντελεστή Συσχέτισης Συντελεστές Παλινδρόµησης Ασκήσεις Μέρους Ι 59 ΙΙ Στατιστικές Μέθοδοι στην R ΙΙ 63 3 Ειδικά Γραφήµατα 65 3.Γραφήµατα Trellis Μέθοδος Newton-Raphson 73 4.Παράδειγµα Ανάλυση της Συνδιακύµανσης 8 5.Ανάλυση της Συνδιακύµανσης Εκτίµηση Μη-Γραµµικών Μοντέλων 85 6.Περιγραφή των εδοµένων Ανάλυση µε Μη-Γραµµικό Μοντέλο Poisson Παλινδρόµηση και Λογαριθµικά Γραµµικά Μοντέλα 9 7.Poisson Παλινδρόµηση Παράδειγµα Μη Παραµετρική Παλινδρόµηση 99 8.Τοπική Πολυωνυµική Παλινδρόµηση Εξοµαλυντές Splines Αθροιστική Απαραµετρική Παλινδρόµηση Ανάλυση Επιβίωσης Συνάρτηση Επιβίωσης Συνάρτηση Κινδύνου Μοντέλο αναλόγων συναρτήσεων κινδύνου Παράδειγµα

6 20 Ανάλυση σε Κύριες Συνιστώσες και ιαχωριστική Ανάλυση Ανάλυση σε Κύριες Συνιστώσες ιαχωριστική Ανάλυση Ανάλυση Κατά Συστάδες στην R Εισαγωγή Ιεραρχική Ανάλυση κατά Συστάδες Μεθοδολογία K-means (MacQueen) Partitioning Around Medoids (PAM) Self Organizing Maps (SOM) Fuzzy Analysis Clustering (Fanny) Παράδειγµα ανάλυσης δεδοµένων Βιβλιογραφία Ανάλυση Χρονοσειρών Ανάλυση Χρονοσειρών Παράδειγµα Παραδείγµατα Μεθόδων E-M Αλγόριθµου Πολυωνυµική Κατανοµή Ελεγχος Επιβίωσης Μοντέλο Πεπερασµένης Μίξης Κανονικών

7 Πρόλογος 2ης Εκδοσης Στην παρούσα έκδοση των Πρόχειρων Σηµειώσεων στην R συµπεριλαµβάνονται ϑέ- µατα τα οποία ανήκουν σε πιο εξειδικευµένα ϑέµατα Στατιστικής και η διδασκαλία τους γίνεται σε επίπεδο µεταπτυχιακού µαθήµατος. Πιο εδικά, έχουµε συµπεριλάβει µεθόδους ανάλυσης συνδιακύµανσης, Poisson λογαριθµικά µοντέλα, µη παραµετρική παλινδρόµηση, ανάλυση επιβίωσης, µέθοδοι ανάλυσης χρονοσειρών καθώς και µεθόδους ανάλυσης πολυδιάστατων δεδοµένων. Επίσης συµπεριλαµ- ϐάνονται ειδικές γραφικές παραστάσεις που µπορεί να κατασκευάσει η R καθώς και κάποια παραδείγµατα προγραµµατισµού µε εφαρµογές την µέθοδο Newton Raphson καθώς και τον αλγόριθµο EM. Ευελπιστούµε ότι η παρούσα έκδοση των σηµειώσεων ϑα είναι χρήσιµη για την εκµάθηση ποικίλων στατιστικών µεθόδων καθώς και για την καλύτερη κατανόηση του λογισµικού Ρ. Λευκωσία, Ιανουάριος 200 Κωνσταντίνος Φωκιανός Χαράλαµπος Χαραλάµπους

8 8

9 Πρόλογος ης Εκδοσης Οι σηµειώσεις αυτές αποτελούν µία εισαγωγή στην στατιστική γλώσσα προγραµ- µατισµού R η οποία αναπτύσσεται ϱαγδαία τα τελευταία χρόνια. Η R είναι ελεύθε- ϱα διαθέσιµη στην ιστοσελίδα και στηρίζεται στην ανάπτυξη προγραµµάτων µέσω πακέτων (packages) τα οποία διατίθενται πάλι ελεύθερα από χρήστες ανά τον κόσµο. Συνεπώς, είναι λογικό να γραφεί και ένα σύγγραµµα στα ελληνικά έτσι ώστε η R να γίνει ευρύτερα γνωστή µε ελεύθε- ϱο τρόπο. Το ϐιβλίο απευθύνεται πρωτίστως σε ϕοιτητές Μαθηµατικών τµηµάτων µε κατεύθυνση Στατιστική αλλά µπορεί να χρησιµεύσει και σε ϕοιτητές άλλων σχολών που το αντικείµενό τους συνάδει µε την Στατιστική. Απαραίτητη προϋπό- ϑεση για να διαβάσει ο αναγνώστης τις σηµειώσεις είναι η επιτυχής ολοκλήρωση εισαγωγικών µαθηµάτων Πιθανοτήτων και Στατιστικής. Η δοµή των σηµειώσεων έχει ως εξής. Τα κεφάλαια 5 εισάγουν το ϕοιτητή στις ϐασικές έννοιες της R, το κεφάλαιο 6 συζητά εφαρµογές στατιστικής ϑεω- ϱίας µέσω προσοµοιώσεων ενώ τα κεφάλαια 7 0 είναι αφιερωµένα σε ϐασικές στατιστικές µεθόδους ανάλυσης δεδοµένων. Το κεφάλαιο συζητά µεθόδους α- ναδειγµατοληψίας ενώ η παρουσίαση κλείνει µε παραδείγµατα και ασκήσεις. Τα µαθήµατα αυτά έχουν διδαχτεί σε προπτυχιακούς και µεταπτυχιακούς ϕοιτητές του τµήµατος Μαθηµατικών και Στατιστικής του Πανεπιστηµίου Κύπρου και η εµπειρία του πρώτου συγγραφέα είναι ότι οι όλα τα κεφάλαια µπορούν να γίνουν σε δεκατρία δίωρα εργαστήρια έχοντας τους ϕοιτητές να αλληλεπιδρούν µε τον ηλεκτρονικό υπολογιστή. Σε αυτό το στάδιο δεν γίνεται προσπάθεια να γίνουν κατανοητές οι µαθηµατικές έννοιες αλλά να µπορεί ο αναγνώστης να εφαρµόζει τις πιο απλές στατιστικές µεθόδους. Φυσικά σε κάθε τέτοιο επιχείρηµα υπάρχουν ελλείψεις και λάθη. Τα προγράµµατα που παρουσιάζονται εδώ δεν έχουν κανένα πρόβληµα αφού έχουν δοκιµαστεί σε διάφορες πλατφόρµες. Οι ελλείψεις, κατά την ταπεινή µας γνώµη, είναι η απουσία µη παραµετρικής εκτιµήτριας συνάρτησης πυκνότητας πιθανότη-

10 τας, µη παραµετρικής παλινδρόµηση και ανάλυση της διακύµανσης και επιλογή και εκτίµηση µοντέλων. Ευελπιστώντας στην κατανόηση του αναγνωστικού κοινού, πιστεύουµε στην εποικοδοµητική κριτική η οποία ϑα ϐελτιστοποιήσει τις ανά χείρας σηµειώσεις και ϑα τις επιτρέψει να έχουν 2η, 3η έκδοση κ.ο.κ. Για τον αναγνώστη που ενδιαφέρεται να µάθει παραπάνω και να εξερευνήσει την R εις ϐάθος του προτείνουµε τα παρακάτω εγχειρίδια :. Richard A. Becker, John M. Chambers, and Allan R. Wilks. The New S Language. Chapman & Hall, London, John M. Chambers and Trevor J. Hastie. Statistical Models in S. Chapman & Hall, London, William N. Venables and Brian D. Ripley. Modern Applied Statistics with S. Fourth Edition. Springer, New York, William N. Venables and Brian D. Ripley. S Programming. Springer, New York, Frank E. Harrell. Regression Modeling Strategies, with Applications to Linear Models, Survival Analysis and Logistic Regression. 6. John Fox. An R and S-Plus Companion to Applied Regression. Sage Publications, Thousand Oaks, CA, USA, Julian J. Faraway. Linear Models with R. Chapman & Hall/CRC, Boca Raton, FL, Φυσικά υπάρχουν πλήθος άλλα συγγράµµατα και ο ενδιαφερόµενος αναγνώστης µπορεί να ϐρει περαιτέρω πληροφορίες στην ιστοσελίδα της R. Συµπερασµατικά, κανείς δεν µπορεί, την γνώµη του πρώτου συγγραφέα, να ισχυριστεί ότι µε το διάβασµα µερικών σηµειώσεων καθώς και µε λίγη εξάσκηση έµαθε να προγραµµατίζει, σε οποιαδήποτε γλώσσα προγραµµατισµού. Για να γίνει αυτό χρειάζεται συνεχής ενασχόληση, κριτική σκέψη και διαρκής εξερεύνηση. Λευκωσία, Ιανουάριος 2008 Κωνσταντίνος Φωκιανός Χαράλαµπος Χαραλάµπους 0

11 Μέρος I Στατιστικές Μέθοδοι στην R Ι

12

13 Κεφάλαιο Εισαγωγή στην R Ο κύριος σκοπός αυτών των σηµειώσεων είναι η εισαγωγή στην στατιστική γλώσσα προγραµµατισµού R. Η γλώσσα R είναι ελεύθερα διαθέσιµη από το διαδίκτυο και η υποστήριξή της γίνεται µέσω της εθελοντικής συνεισφοράς πολλών ανθρώπων ανά τον κόσµο, οι οποίοι είναι και υπεύθυνοι για την ανάπτυξή της. Η ιστοσελίδα περιέχει περαιτέρω πληροφορίες καθώς και συνδέσµους για τα σχετικά προγράµµατα που αφορούν την αποθήκευση και εκτέλεση του προγράµµατος σε διάφορα λειτουργικά συστήµατα. Σηµειωτέον, ότι η R µπορεί να τρέξει σε περιβάλλον Linux, Mac OS και Windows. Οπως ϑα δούµε, η R είναι µία γλώσσα προγραµµατισµού που χρησιµεύει κατεξοχήν στην επεξηγηµατική ανάλυση δεδοµένων καθώς και στην εφαρµογή διαφόρων στατιστικών µοντέλων. Μπορεί να χρησιµοποιηθεί είτε µε κατευθείαν εντολές είτε µε προγράµµατα τα οποία µπορούν να αναπτυχθούν και να δοθούν για εκτέλεση. Σε αυτές τις σηµειώσεις ϑα µάθουµε πώς να προγραµµατίζουµε στην R καθώς και το πώς κατασκευάζονται ειδικές συναρτήσεις (functions) οι οποίες χρησιµεύουν για ανάπτυξη ιδίων προγραµµάτων. Περιληπτικά, ϑα δούµε τα παρακάτω Γενικές έννοιες που αφορούν την R. Πώς χρησιµοποιείται η R στην ανάλυση δεδοµένων. Προγραµµατισµός και ανάπτυξη στην R. 3

14 . Μία Εισαγωγική Περίοδος Οι παρακάτω εντολές ϑα δώσουν µία πρώτη γεύση από το τι µπορεί να κάνει η R. Καταρχάς µπορεί να µην γίνονται κατανοητές οι εντολές αυτές, αλλά τυχόν σύγχυση ϑα ϕύγει όταν προχωρήσουµε στα παρακάτω κεφάλαια. Πρώτο Παράδειγµα x <- rnorm(50) Προσοµοίωση δύο τυχαίων τυπικών κανονικών y <- rnorm(x) διανυσµάτων x και y. hull <- chull(x,y) Υπολογισµός κυρτού περιβλήµατος των δεδοµένων plot(x,y) Κατασκευάζει τη γραφική παράσταση των σηµείων στο επίπεδο polygon(x[hull], y[hull],dens=5) και σηµειώνει το κυρτό τους περίβληµα. objects() Βλέπει ποια αντικείµενα της R υπάρχουν µέσα στο αρχείο Data. rm(x,y) Αφαιρεί τα αντικείµενα x και y. y x Σχήµα.: Πρώτο παράδειγµα. 4

15 εύτερο Παράδειγµα x <- :20 ηµιουργεί το διάνυσµα x = (, 2,..., 20). w <- +sqrt(x)/2 ηµιουργεί το διάνυσµα των ϐαρών των τυπικών αποκλίσεων. dummy <- data.frame(x=x, Κατασκευάζει ένα πλαίσιο δεδοµένων µε 2 στήλες y=x+rnorm(x)*w) x και y και το παρουσιάζει. dummy objects() Βλέπει ποια αντικείµενα της R υπάρχουν µέσα στο αρχείο Data. fm <- lm(y~x, data=dummy) Εφαρµόζει απλή γραµµική παλινδρόµιση της y ως προς x summary(fm) και παρουσιάζει τα αποτελέσµατα fm <- lm(y~x, data=dummy, Εφαρµόζει σταθµισµένη παλινδρόµιση. weight=/w^2) lrf <- loess(y~x, data=dummy) Κάνει απαραµετρική παλινδρόµιση. attach(dummy) Άµεσα προσβάσιµες στήλες πλαισίου δεδοµένων. plot(x,y) Κάνει την γραφική παράσταση του x συναρτήσει του y. lines(x, fitted(lrf)) Προσθέτει στο γράφηµα το µοντέλο από την απαραµετρική παλινδρόµηση. abline(0,,lty=3) Προσθέτει στο γράφηµα την πραγµατική γραµµή παλινδρόµισης. abline(coef(fm)) Η γραµµή από την απλή γραµµική παλινδρόµηση. abline(coef(fm), lty=4) Η γραµµή από την σταθµική παλινδρόµηση. Οποιαδήποτε στιγµή µπορείτε να τυπώσετε αντίγραφο της γραφικής παράστασης πατώντας στο παράθυρο Graph και επιλέγοντας το Print. detach() Αφαιρεί τις στηλες του πλαισίου δεδοµένων απο τη λίστα αντικειµένων. plot(fitted(fm), resid(fm), Γραφική παράσταση των υπολοίπων xlab="fitted Values", για έλεγχο της ετεροσκεδαστικότητας. ylab="residuals", main= "Residuals vs Fitted") qqnorm(resid(fm), main= QQ plot των υπολοίπων. "Residuals QQ Plot") rm(fm,fm,lrf,x,dummy) 5

16 Residuals vs Fitted Residuals QQ Plot y Residuals Sample Quantiles x Fitted Values Theoretical Quantiles Σχήµα.2: εύτερο παράδειγµα. Τρίτο Παράδειγµα Γραφικές δυνατότητες της R: διάγραµµα ισουψών και 3-διάστατες γραφικές πα- ϱαστάσεις. x <- seq(-pi,pi,length=50) y <- x Το ίδιο µε το x. f <- outer(x,y, function(x,y) x είναι διάνυσµα µε 50 ισαπέχοντες τιµές στο ( π, π). Ορίζουµε ένα πίνακα f του οποίου οι γραµµές και οι στήλες έχουν δείκτες x και y αντίστοιχα, cos(y)/(+x^2)) και ικανοποιούν τη εξίσωση cos(y)/( + x 2 ). oldpar <- par() par(pty="s") Φυλάει τις εξ ορισµού γραφικές παραµέτρους. Καθορίζει την περιοχή του γραφήµατος σε τετράγωνο. contour(x,y,f) Κάνει το διάγραµµα ισουψών της f. contour(x,y,f, nlevels=5, add=t) Προσθέτει στο διάγραµµα πιο ψηλή ευκρίνεια. fa <- (f-t(f))/2 f a είναι το ασσύµετρο κοµµάτι της f. contour(x,y, fa, nlevels=5) ηµιουργεί το διάγραµµα ισουψών της f a. par(oldpar) persp(x,y,f) persp(x,y,fa) image(x,y, f) image(x,y,fa) objects(); rm(x,y,f,fa) q() Εξοδος από R. Επαναφέρει τις εξ ορισµού γραφικές παραµέτρους. ηµιουργεί προοπτική απεικόνιση και υψηλού επιπέδου γραφική παράσταση. Αφαιρεί τα υπάρχοντα αντικείµενα. 6

17 f Contour of f Contour of f Contour of fa Higher Resolution Σχήµα.3: Τρίτο παράδειγµα (Ι). Perspective of f Perspective of fa fa y y x x High image of f High image of fa y y x x Σχήµα.4: Τρίτο παράδειγµα (ΙΙ). 7

18 .2 Βασικές έννοιες Η R εφαρµόζει µια διάλεκτο της γλώσσας S η οποία ειναι µια διερµηνέας γλώσσα προγραµµατισµού. Αυτό σηµαίνει ότι οι εντολές διαβάζονται και µετά εκτελούνται αµέσως. Αντίθετα, η C και η Fortran είναι µεταγλωτίστριες γλώσσες προγραµ- µατισµού στις οποίες ολοκληρωµένα προγράµµατα µεταφράζονται µε τη ϐοήθεια ενός µεταγλωτιστή στην κατάλληλη γλώσσα µηχανής. Το µεγάλο πλεονέκτηµα των διερµηνέων γλωσσών προγραµµατισµού είναι ότι επιτρέπουν σταδιακή ανάπτυξη. Με άλλα λόγια, µια συνάρτηση µπορεί να δηµιουργηθεί, να εκτελεσθεί και µετά να δηµιουργηθεί µια καινούργια συνάρτηση η οποία καλεί την πρηγούµενη κ.ο.κ. Σηµειώστε όµως ότι µεταγλωτισµένος κώδικας τρέχει πιο γρήγορα και χρειάζεται λιγότερη µνήµη από το διερµηνευµένο κώδικα. Η αλληλεπίδραση µε την R επιτυγχάνεται πληκτρολογώντας εκφράσεις, τις οποίες ο διερµηνέας αξιολογεί και µετά τις εκτελεί. Για παράδειγµα > sqrt function(x) x^0.5 > sqrt(2) [].4424 ή log function(x, base = ) { y <-.Internal(log(x), "do_math", T, 06) if(missing(base)) y else y/.internal(log(base), "do_math", T, 06) } > log(0) [] Αξίζει να σηµειωθεί ότι η R είναι ευαίσθητη στα κεφαλαία γράµµατα. Αυτό ση- µαίνει οτι το x και το X είναι διαφορετικά αντικείµενα. Μια συνάρτηση καλείται συνήθως γράφοντας το όνοµα της ακολουθούµενο από µια λίστα ορισµάτων. Για παράδειγµα 8

19 > plot(fdeaths) > mean(fdeaths) [] Οι µαθηµατικές πράξεις είναι συναρτήσεις µε δύο ορίσµατα τα οποία έχουν ειδικό κάλεσµα. Π.χ. > 2+5 [] 7 > 3*6.8 [] 20.4 > 2.6/6 [] 2. Ενα από τα σύµβολα που χρησιµοποιείται πιο συχνά είναι το σύµβολο εγχώ- ϱησης <-, το οποίο καταχωρεί στις µεταβλητές συγκεκριµένες τιµές (π.χ. αριθµό, διάνυσµα, πίνακα, πλαίσιο δεδοµένων κ.α.) ή αποτελέσµατα πράξεων. test <- 4 > test [] 4 Ακόµη ένα πολύ συνηθισµένο σύµβολο στην R είναι το σύµβολο δείκτη [, το οποίο χρησιµοποιείται για να εξάγει υποσύνολα από ένα αντικείµενο, π.χ. > letters [] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" [6] "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z" > letters[3] [] "c" > letters[-3] [] "a" "b" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" [6] "q" "r" "s" "t" "u" "v" "w" "x" "y" "z" Επίσης µπορεί να υπολογιστεί η λογική τιµή µιας πρότασης, όπως > j <- :26 > j<5 [] TRUE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE [] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE [2] FALSE FALSE FALSE FALSE FALSE FALSE 9

20 > letters[j<5] [] "a" "b" "c" "d" Η τοποθέτηση δεικτών είναι πολύ σηµαντική στην αποτελεσµατική χρήση της R γιατί δίνει έµφαση στο να επεξεργάζεται αντικείµενα δεδοµένων σαν ολοκληρωµένες οντότητες, παρά σαν µια συλλογή από ξεχωριστές παρατηρήσεις. Σαν τελευταία εισαγωγική σηµείωση, τονίζεται ότι κάθε έκφραση της R ερ- µηνεύεται από τον αξιολογητή και επιστρέφει ένα αντικείµενο δεδοµένων. Τα αντικείµενα δεδοµένων έχουν τις παρακάτω µορφές : λογική (logical) αριθµητική (numeric) µιγαδική (complex) κειµένου (character) Οι µορφές είναι γραµµένες από αυτήν που παρέχει την λιγότερη πληροφορία εώς εκείνη που παρέχει την περισσότερη πληροφορία. Οταν είναι ανάγκη να συνδυάσεις διαφορετικές µορφές, τότε η R χρησιµοποιεί εκείνη µε την περισσότερη πληροφορία. Το επόµενο παράδειγµα επεξηγεί αυτό το σκεπτικό : > -3.6 [] -3.6 > "Munich" [] "Munich" > c(t, F, T) [] T F T > c(-2, pi, 2) [] > c(t, pi, F) [] > c(t, pi, "Munich") [] "TRUE" " " "Munich" > mode(c(t, pi, "Munich")) [] "character" 20

21 Κεφάλαιο 2 Αντικείµενα εδοµένων Στο κεφάλαιο αυτό γίνεται εισαγωγή στην ιδέα των αντικειµένων δεδοµένων. Τα αντικείµενα δεδοµένων είναι οι διάφορες µορφές στις οποίες µπορούν να ϕυλαχθούν δεδοµένα στην R. Οι κύριες µορφές αντικειµένων δεδοµένων που υπάρχουν στην R είναι τα ακόλουθα : διάνυσµα (vector) πίνακας (matrix) πίνακας µεγαλύτερης διάστασης (array) λίστα (list) παράγοντας (factor) χρονοσειρές (time series) πλαίσιο δεδοµένων (data frame). Σε αυτό το κεφάλαιο ϑα αναπτυχθούν όλες οι πιο πάνω µορφές αντικειµένων, εκτός από τις χρονοσειρές οι οποίες ϑα αναλυθούν σε επόµενο κεφάλαιο. 2. ιανύσµατα Το πιο απλό είδος αντικειµένου είναι το διάνυσµα. Το διάνυσµα είναι απλά ένα διατεταγµένο σύνολο τιµών σε σειρά. Η εσωτερική διάταξη του διανύσµατος υποδεικνύει ότι υπάρχει ένας κατάλληλος τρόπος µε τον οποίο µπορούν να εξαχθούν 2

22 µερικά ή όλα από τα στοιχεία του. Ο πιο εύκολος τρόπος για να προσδιοριστεί ένα διάνυσµα είναι µέσω της εντολής c. Για παράδειγµα, > x <- c(,3,4,5) > x [] > length(x) [] 4 > mode(x) [] "numeric" > names(x) NULL > y <- c( c(2,3), c(,-6)) > y [] Ενας άλλος τρόπος, ο οποίος µπορεί να χρησιµοποιηθεί για την κατασκευή διανύσµατος, ειδικά στην περίπτωση που είναι αναγκαίο να γίνει επανάληψη κάποιων τιµών, δίνεται µε τη ϐοήθεια της συνάρτησης rep. Η συνάρτηση rep() καθορίζει είτε το πόσες ϕορές ϑα γίνει η επανάληψη µε το όρισµα times, είτε το µέγεθος του διανύσµατος µε το όρισµα length. > rep(na,6) [] NA NA NA NA NA NA > rep(x, 3) [] > rep(x, c(,2,2,3)) [] Οπως παρατηρούµε στο τελευταίο παράδειγµα όταν το όρισµα times είναι ένα διάνυσµα µε το ίδιο µέγεθος µε το διάνυσµα των τιµών οι οποίες ϑα επαναληφθούν, τότε κάθε τιµή επαναλαµβάνεται τις αντίστοιχες ϕορές. Επιπλέον, ο τελεστής ακολουθίας : παράγει µία ακολουθία τιµών οι οποίες απέχουν µεταξύ τους µία µονάδα. > :3 [] > -3:6 []

23 >.:5 [] > 4:-5 [] Γενικότερα, µε τη ϐοήθεια της συνάρτησης seq µπορούµε να κατασκευάσουµε µία ακολουθία αριθµών µε οποιαδήποτε διαφορά µεταξύ των τιµών. Το επόµενο παράδειγµα επεξηγεί πως χρησιµοποιείται : > seq(-,2, 0.5) [] > seq(-,2, length=2) [] [5] [9] > seq(, by=0.5, length=2) [] Πίνακες Οι πίνακες χρησιµοποιούνται για να τακτοποιήσουν τιµές κατά γραµµές και στήλες σε ένα ορθογώνιο πίνακα. Στην ανάλυση δεδοµένων, οι διάφορες µεταβλητές συνήθως παρουσιάζονται σε διαφορετικές στήλες και οι διάφορες περιπτώσεις ή τιµές παρουσιάζονται σε διαφορετικές γραµµές. Οι πίνακες διαφέρουν από τα διανύσµατα γιατί έχουν διαστάσεις και σε αυτούς µπορεί να εφαρµοστεί η συνάρτηση διάστασης dim. Για να δηµιουργηθεί ένας πίνακας από ένα διάνυσµα, χρησιµοποιείται η συνάρτηση διάστασης dim εκχωρώντας ένα διάνυσµα µε 2 ακέραιους αριθµούς οι οποίοι αντιστοιχούν στον αριθµό των γραµµών και των στηλών του πίνακα, αντίστοιχα. > matr <- rep(:4, rep(3,4)) > matr [] > dim(matr) <- c(3,4) > matr [,] [,2] [,3] [,4] [,]

24 [2,] [3,] > matr2 <- seq(-2,2,length=25) > matr2 [] [8] [5] [22] > dim(matr2) <- c(5,5) > matr2 [,] [,2] [,3] [,4] [,5] [,] [2,] [3,] [4,] [5,] Συχνά χρειάζεται να συνδεθούν µεταξύ τους διάφορα διανύσµατα ή πίνακες για να δηµιουργηθεί ένας καινούργιος πίνακας. Αυτό γίνεται εφικτό µε τη ϐοήθεια των συναρτήσεων rbind και cbind. > matr3 <- rbind(c(,2,-), c(-3,,5)) > matr3 [,] [,2] [,3] [,] 2 - [2,] -3 5 > matr4 <- cbind(c(,2,-), c(-3,,5)) > matr4 [,] [,2] [,] -3 [2,] 2 [3,] - 5 > matr5 <- cbind(c(,2,-), c(-3,3,2,0)) Warning messages: Number of rows of result is not a multiple of vector length (arg ) in: cbind(c(, 2,-), c(-3, 3, 2, 0)) > matr5 [,] [,2] 24

25 [,] -3 [2,] 2 3 [3,] - 2 [4,] 0 Στην περίπτωση σύνδεσης διανυσµάτων µε διαφορετικά µεγέθη, η χρήση των συναρτήσεων cbind ή rbind, δίνει σαν αποτέλεσµα τις τιµές των µικρότερων από αυτά να επαναλαµβάνονται κυκλικά έτσι ώστε ο πίνακας να συµπληρωθεί εντελώς. matr6 <- cbind(matr, matr4) > matr6 [,] [,2] [,3] [,4] [,5] [,6] [,] [2,] [3,] > matr6 <- cbind(matr, matr3) Error in cbind(matr, matr3): Number of rows of matrices and lengths of names vectors must match (see arg 2) Ενας εναλλακτικός τρόπος για να δηµιουργηθεί ένας πίνακας είναι µε τη συνάρτηση matrix, η οποία παίρνει ως ορίσµατα τον αριθµό των γραµµών (nrow) και των στηλών (ncol). > matr7 <- matrix(:28, nrow=7, ncol=4) > matr7 [,] [,2] [,3] [,4] [,] [2,] [3,] [4,] [5,] [6,] [7,] > matr8 <- matrix(-5:6, ncol=3, byrow=t) > matr8 [,] [,2] [,3] [,]

26 [2,] -2-0 [3,] 2 3 [4,] > matrix(:23, nrow=7, ncol=4) [,] [,2] [,3] [,4] [,] [2,] [3,] [4,] [5,] [6,] [7,] Warning messages: Replacement length not a multiple of number of elements to replace in: data[:ll] <-old > matrix(:23, nrow=7) [,] [,2] [,3] [,4] [,] [2,] [3,] [4,] [5,] [6,] [7,] Warning messages: Replacement length not a multiple of number of elements to replace in: data[:ll] <-old Το όρισµα byrow είναι πολύ χρήσιµο όταν γίνεται η ανάγνωση των δεδοµένων από ένα αρχείο κειµένου (text file). Τέλος δίνονται µερικές εντολές οι οποίες χρησιµοποιούνται στην αναγνώριση του µεγέθους, των διαστάσεων και τη µορφή των τιµών του πίνακα, αλλά και πως µπορούν να δοθούν ονόµατα στις γραµµές και τις στήλες του. > matr8 [,] [,2] [,3] [,] [2,]

27 [3,] 2 3 [4,] > length(matr8) [] 2 > dim(matr8) [] 4 3 > mode(matr8) [] "numeric" > dimnames(matr8) NULL > dimnames(matr8) <- list(c("a","b","c","d"), c("k","k2","k3")) > matr8 K K2 K3 A B -2-0 C 2 3 D Πίνακες µεγαλύτερης διάστασης (Arrays) Τα arrays γενικεύουν τους πίνακες επεκτείνοντας την έννοια της διάστασής τους σε παραπάνω από δύο. Κατά συνέπεια, µεγαλώνει και η διάσταση της συνάρτηση dim. Για παράδειγµα, αν οι γραµµές και οι στήλες ενός πίνακα (matrix) είναι το µήκος και το πλάτος µιας ορθογώνιας διευθέτησης τιµών ισων διαστάσεων κύβου, τότε το µήκος, το πλάτος και το ύψος εκπροσωπούν τις διαστάσεις ενός πίνακα τριών διαστάσεων (three way array). εν υπάρχει κανένας περιορισµός στον αριθµό των διαστάσεων ενός πίνακα µεγαλύτερης διάστασης. > arr <- array( c(2:9,2:9,2:9), dim=c(2,4,3)) > arr,, [,] [,2] [,3] [,4] [,] [2,] ,, 2 [,] [,2] [,3] [,4] 27

28 [,] [2,] ,, 3 [,] [,2] [,3] [,4] [,] [2,] Η πρώτη διάσταση (γραµµές) συµπληρώνεται πρώτη. Αυτό είναι το ίδιο µε το να τοποθετούνται οι τιµές στήλη µε στήλη. Η δεύτερη διάσταση συµπληρώνεται δεύτερη. Η τρίτη διάσταση συµπληρώνεται µε τη δηµιουργία ενός πίνακα για κάθε επίπεδο της τρίτης διάστασης. Στους πίνακες µεγαλύτερης διάστασης εφαρµό- Ϲονται οι ίδιες εντολές για την αναγνώριση του µεγέθους, των διαστάσεων και τη µορφή των τιµών τους όπως και στην περίπτωση των πινάκων, αλλά και µε τον ίδιο τρόπο δίνονται ονόµατα στις διαστάσεις τους. > length(arr) [] 24 > mode(arr) [] "numeric" > dim(arr) [] > dimnames(arr) NULL 2.4 Λίστες Ως αυτό το σηµείο, όλα τα αντικείµενα δεδοµένων τα οποία έχουν περιγραφτεί είναι ατοµικά. Αυτό σηµαίνει ότι περιέχουν µόνο µιας µορφής δεδοµένα. Οµως, είναι αρκετές εκείνες οι περιπτώσεις στις οποίες υπάρχει η ανάγκη να δηµιουργηθούν αντικείµενα δεδοµένων τα οποία περιέχουν διάφορες µορφές τιµών. Η λύση προσφέρεται µέσω των αντικειµένων λίστας ( list) τα οποία αποτελούνται α- πό διάφορες συνιστώσες, η κάθε µια από τις οποίες περιέχει διαφορετική µορφή δεδοµένων. > group <- c(rep(,), rep(2,7)) 28

29 > group2 <- c(23,45,67,76,-8,3.5,2.9,4) > groups <- list(case=group, control=group2, descrip="an example") > groups $case: [] $control: [] $descrip: [] "An example" Για την εξαγωγή µιας συνιστώσας της λίστας χρησιµοποιούµε το σύµβολο $ ή [[ ]]. > groups$case [] > groups$control [] > groups[[]] [] > groups[[2]] [] > groups[[2]][:2] [] > length(groups) [] 3 > mode(groups) [] "list" > names(groups) [] "case" "control" "descrip" 2.5 Παράγοντες Για σκοπούς ανάλυσης δεδοµένων, µερικές από τις µεταβλητές µπορεί να µην είναι ποσοτικές αλλά ποιοτικές ή κατηγορικές. Μερικά παραδείγµατα τέτοιων µεταβλητών είναι το ϕύλο µε τιµές άντρας ή γυναίκα, η οικογενειακή κατάσταση µε τιµές ελεύθερος, παντρεµένος ή χωρισµένος. 29

30 Οι κατηγορικές µεταβλητές παρουσιάζονται στην R µε το αντικείµενο δεδοµένων που λέγεται παράγοντας (factor). Για να κατασκευαστεί ένας παράγοντας εφαρ- µόζεται η συνάρτηση factor. Παρατίθενται µερικά παραδείγµατα : > gender <- c("male", "female", "male", "male", "female", "female", "male") > gender [] "male" "female" "male" "male" "female" "female" "male" > factor(gender) [] male female male male female female male > intensity <- factor(c("hi", "Med", "Lo", "Hi", "Hi", "Lo"), + levels=c("hi","lo")) > intensity [] Hi NA Lo Hi Hi Lo > levels(intensity) [] "Hi" "Lo" > intensity <- factor(c("hi", "Med", "Lo", "Hi", "Hi", "Lo"), + levels=c("hi","lo"), labels=c("highdose", "LowDose")) > intensity [] HighDose NA LowDose HighDose HighDose LowDose Αν η σειρά των κατηγοριών του παράγοντα είναι σηµαντική, τότε χρησιµοποιείται η συνάρτηση ordered. > intensity <- ordered(c("hi", "Med", "Lo", "Hi", "Hi", "Lo"), + levels=c("lo", "Med", "Hi")) > intensity [] Hi Med Lo Hi Hi Lo Lo < Med < Hi Ενας παράγοντας µπορεί να κατασκευαστεί επίσης και από µια συνεχή µεταβλητή µε τη ϐοήθεια της συνάρτησης cut. > fact <- rnorm(0) > fact <- cut(fact, breaks=c(-5,-,,2,4)) > fact [] (-,] (-5,-] (-5,-] (-,] (-,] (-5,-] (-,] (-,] (-5,-] [0] (-,] Levels: (-5,-] (-,] (,2] (2,4] > fact2 <- cut(fact, breaks=5) 30

31 > fact2 [] (-0.429,-0.066] (-.67,-.25] (-.25,-0.84] (-0.429,-0.066] [5] (-0.84,-0.429] (-.25,-0.84] (-0.066,0.396] (-0.066,0.396] [9] (-.67,-.25] (-0.429,-0.066] 5 Levels: (-.67,-.25] (-.25,-0.84] (-0.84,-0.429]... (-0.066,0.396] Κάποιες άλλες χρήσιµες εντολές στην περίπτωση των παραγόντων είναι οι ακόλου- ϑες : > length(intensity) [] 6 > mode(intensity) [] "numeric" > names(intensity) NULL > levels(intensity) [] "Lo" "Med" "Hi" > class(intensity) [] "ordered" "factor" 2.6 Πλαίσια εδοµένων (Data Frames) Το κύριο πλεονέκτηµα του πλαισίου δεδοµένων είναι ότι επιτρέπει τον συνδυασµό δεδοµένων διαφορετικών µορφών µέσα σε ένα αντικείµενο για να χρησιµοποιηθεί για ανάλυση και µοντελοποίηση. Η ιδέα του πλαισίου δεδοµένων είναι η ταξινόµηση των τιµών κατά µεταβλητή (στήλη) ανεξάρτητα της µορφής τους. Επειτα, όλες οι παρατηρήσεις ενός συγκεκριµένου συνόλου µεταβλητών ταξινοµούνται σε πλαίσιο δεδοµένων. Για παράδειγµα, παρατίθενται 3 τυχαίες παρατηρήσεις (γραµµές) του πλαισίου δεδοµένων solder το οποίο υπάρχει µέσα στο πακέτο της R faraway. Η επιλογή τυχαίου δείγµατος γίνεται µέσω της συνάρτησης sample. > library("faraway") > test <- sample(:900, 3) > solder[test,] Opening Solder Mask PadType Panel skips 73 S Thin B3 L L Thin B3 L8 793 S Thick B6 L6 7 3

32 372 L Thick A3 D L Thick A3 L L Thick B6 D M Thin A6 L L Thick A3 D M Thin A6 L S Thick B6 W L Thick A.5 L L Thick A3 D L Thick B6 D4 Η µεταβλητή skips είναι συνεχής ενώ οι υπόλοιπες είναι διάφοροι παράγοντες factors. Υπάρχουν διάφοροι τρόποι για να κατασκευαστεί ένα πλαίσιο δεδοµένων : read.table διαβάζει δεδοµένα από ένα εξωτερικό αρχείο (δοκιµάστε το µε ένα δικό σας αρχείο), data.frame τοποθετεί µαζί αντικείµενα διαφόρων µορφών. as.data.frame µετατρέπει αντικείµενα συγκεκριµένης µορφής σε αντικεί- µενο της τάξης data.frame. Σε αυτό το σηµείο ϑα εξεταστεί µόνο ο δεύτερος τρόπος. > my.logic<-sample(c(t,f),size=20,replace=t) > my.logic [] TRUE TRUE FALSE FALSE FALSE FALSE TRUE FALSE TRUE FALSE FALSE TRUE [3] TRUE TRUE FALSE FALSE FALSE TRUE TRUE TRUE > my.complex<-rnorm(20)+runif(20)*i > my.complex [] i i i [4] i i i [7] i i i [0] i i i [3] i i i [6] i i i [9] i i > my.numeric<-rnorm(20) > my.numeric 32